<ins id="nnjdx"><span id="nnjdx"></span></ins>
<var id="nnjdx"></var>
<var id="nnjdx"></var>
<var id="nnjdx"></var>
<cite id="nnjdx"><video id="nnjdx"></video></cite>
<var id="nnjdx"></var><var id="nnjdx"></var>
<var id="nnjdx"><strike id="nnjdx"></strike></var>
<menuitem id="nnjdx"><video id="nnjdx"><thead id="nnjdx"></thead></video></menuitem>
<cite id="nnjdx"></cite>
<thead id="nnjdx"><span id="nnjdx"><thead id="nnjdx"></thead></span></thead>
<del id="nnjdx"><noframes id="nnjdx">
<var id="nnjdx"></var>
<cite id="nnjdx"></cite>
<var id="nnjdx"><dl id="nnjdx"></dl></var>
<cite id="nnjdx"><video id="nnjdx"></video></cite>
<cite id="nnjdx"><video id="nnjdx"></video></cite>
<cite id="nnjdx"><video id="nnjdx"><thead id="nnjdx"></thead></video></cite>
<cite id="nnjdx"><video id="nnjdx"><thead id="nnjdx"></thead></video></cite>
中國電子商情:基礎電子 · 2020年第8期42-45,共4頁

MCU上的深度學習是邊緣計算的未來

作者:Markus Levy

摘要:就在幾年前,人們普遍認為,機器學習(ML)甚至深度學習(DL)只能通過由網關、邊緣服務器或數據中心執行的邊緣訓練和推理在高端硬件上完成。這種想法在當時不無道理,因為在云端和邊緣之間分配計算資源的趨勢尚處于早期發展階段。但如今,得益于業界和學術界的艱苦研發和不懈努力,情況已然發生了翻天覆地的變化。處理器不必提供每秒數萬億次操作(TOPS),也能執行機器學習(ML)。越來越多的用例證明.

發文機構:恩智浦半導體人工智能和機器學習技術部門

關鍵詞:機器學習邊緣計算邊緣服務器深度學習TOPS數據中心早期發展階段計算資源

分類號: TN929.5[電子電信—通信與信息系統]TP18[電子電信—信息與通信工程]

注:學術社僅提供期刊論文索引,查看正文請前往相應的收錄平臺查閱
相關文章
伊伊爱官方网站